JP3520054B2 - 音声認識装置、コンピュータプログラム及び記録媒体 - Google Patents
音声認識装置、コンピュータプログラム及び記録媒体Info
- Publication number
- JP3520054B2 JP3520054B2 JP2001101806A JP2001101806A JP3520054B2 JP 3520054 B2 JP3520054 B2 JP 3520054B2 JP 2001101806 A JP2001101806 A JP 2001101806A JP 2001101806 A JP2001101806 A JP 2001101806A JP 3520054 B2 JP3520054 B2 JP 3520054B2
- Authority
- JP
- Japan
- Prior art keywords
- frame
- likelihood
- likelihoods
- computer
- stored
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Description
【０００１】
【発明の属する技術分野】本発明は、フレーム同期でリ
アルタイムに音声を認識する技術に関し、特に音声認識
の精度を維持しながら、認識に利用する尤度の記憶領域
を削減し得る音声認識装置、このような音声認識をコン
ピュータで実現するためのコンピュータプログラム、及
び音声認識のコンピュータプログラムが記録されている
記録媒体に関する。
アルタイムに音声を認識する技術に関し、特に音声認識
の精度を維持しながら、認識に利用する尤度の記憶領域
を削減し得る音声認識装置、このような音声認識をコン
ピュータで実現するためのコンピュータプログラム、及
び音声認識のコンピュータプログラムが記録されている
記録媒体に関する。
【０００２】
【従来の技術】音声認識処理は、音声分析、尤度演算、
マッチング等の処理要素に大別される。音声認識に、例
えば隠れマルコフモデル（ HMM: Hidden Markov Model
）の手法を利用する場合、ユーザが単語の読みをかな
で入力して認識辞書に登録しておき、認識時には、これ
らのかなの音節を表現するHMM を接続した単語モデルを
作成する。HMM は、「状態」と、「状態」間の遷移を規
定するアークにより表現される。図３は、例えば１つの
単語モデルが１音節を表現する場合の単語モデル（単語
HMM ）の一例を示す図である。
マッチング等の処理要素に大別される。音声認識に、例
えば隠れマルコフモデル（ HMM: Hidden Markov Model
）の手法を利用する場合、ユーザが単語の読みをかな
で入力して認識辞書に登録しておき、認識時には、これ
らのかなの音節を表現するHMM を接続した単語モデルを
作成する。HMM は、「状態」と、「状態」間の遷移を規
定するアークにより表現される。図３は、例えば１つの
単語モデルが１音節を表現する場合の単語モデル（単語
HMM ）の一例を示す図である。
【０００３】フレーム同期（リアルタイム）で音声認識
を行うには高速なCPU が要求されるため、装置に搭載す
るCPU の処理能力によっては、音声認識処理のうち処理
に長時間を要する尤度演算とマッチング処理とを分離す
ることが効率的である。即ち、音声分析及び尤度演算の
処理と、マッチング処理との２段階に分けて２つのCPU
で処理を分割する。音声認識処理を２段階に分割した場
合、尤度を先に求めて例えばテーブル形式で記憶してお
き、このテーブルを参照してビタビ・アルゴリズム（Vi
terbi Algorithm ）、トレリス（Trellis ）演算等によ
りマッチング処理を行うことになる。
を行うには高速なCPU が要求されるため、装置に搭載す
るCPU の処理能力によっては、音声認識処理のうち処理
に長時間を要する尤度演算とマッチング処理とを分離す
ることが効率的である。即ち、音声分析及び尤度演算の
処理と、マッチング処理との２段階に分けて２つのCPU
で処理を分割する。音声認識処理を２段階に分割した場
合、尤度を先に求めて例えばテーブル形式で記憶してお
き、このテーブルを参照してビタビ・アルゴリズム（Vi
terbi Algorithm ）、トレリス（Trellis ）演算等によ
りマッチング処理を行うことになる。
【０００４】上述の単語モデルを用いて音声認識処理を
２段階に分けて行う場合の手順の概略を、図４に示す概
念図に基づいて説明する。認識対象の音声の入力波形に
対して、例えば20〜30msといった短い区間（フレーム）
毎に音響分析を行って十数次元の特徴ベクトルを求め、
求めた特徴量に対する、HMM の各状態のフレーム対数尤
度を求め、求めた対数尤度を尤度テーブル内の対応する
フレーム番号領域に記憶する。この処理を音声信号の入
力波形の全てのフレームに対して行う。
２段階に分けて行う場合の手順の概略を、図４に示す概
念図に基づいて説明する。認識対象の音声の入力波形に
対して、例えば20〜30msといった短い区間（フレーム）
毎に音響分析を行って十数次元の特徴ベクトルを求め、
求めた特徴量に対する、HMM の各状態のフレーム対数尤
度を求め、求めた対数尤度を尤度テーブル内の対応する
フレーム番号領域に記憶する。この処理を音声信号の入
力波形の全てのフレームに対して行う。
【０００５】次に、単語HMM と尤度テーブルとの間でビ
タビ・デコーディングを行うことによりマッチング処理
を実現する。図５は、従来の音声認識における尤度テー
ブルを用いた、単語「あか」のマッチング処理の概念図
である。
タビ・デコーディングを行うことによりマッチング処理
を実現する。図５は、従来の音声認識における尤度テー
ブルを用いた、単語「あか」のマッチング処理の概念図
である。
【０００６】
【発明が解決しようとする課題】以上のように、マッチ
ング処理のために、各フレームの音響分析結果の特徴量
に対する、各状態の尤度を前述のような尤度テーブルに
記憶する場合、尤度テーブルのメモリ占有量が膨大にな
り、CPU の処理効率が低下する。
ング処理のために、各フレームの音響分析結果の特徴量
に対する、各状態の尤度を前述のような尤度テーブルに
記憶する場合、尤度テーブルのメモリ占有量が膨大にな
り、CPU の処理効率が低下する。
【０００７】本発明はこのような問題点を解決するため
になされたものであって、各フレームの音響分析結果の
特徴量に対する、各状態の尤度を全部記憶するのではな
く、尤度が相対的に高い上位Ｂ個の尤度と、特に不特定
話者の音声を認識する場合にはゼロと設定するより何ら
かの値が設定されている方が認識精度を向上させること
が実験結果から明らかであることから、Ｂ位より下の全
ての状態に共通の尤度として、例えば（Ｂ＋ｎ）位の尤
度、又は（Ｂ＋ｎ）個の尤度の平均値とだけを記憶する
ことにより、音声認識の精度を維持しながらも、音声認
識処理の後段でマッチング処理を行うまで尤度を記憶し
ておく領域のメモリ占有量を可及的に削減して効率的な
メモリの使用を可能にする音声認識装置、音声認識をコ
ンピュータで実現するためのコンピュータプログラム、
このようなコンピュータプログラムが記録されている記
録媒体の提供を目的とする。
になされたものであって、各フレームの音響分析結果の
特徴量に対する、各状態の尤度を全部記憶するのではな
く、尤度が相対的に高い上位Ｂ個の尤度と、特に不特定
話者の音声を認識する場合にはゼロと設定するより何ら
かの値が設定されている方が認識精度を向上させること
が実験結果から明らかであることから、Ｂ位より下の全
ての状態に共通の尤度として、例えば（Ｂ＋ｎ）位の尤
度、又は（Ｂ＋ｎ）個の尤度の平均値とだけを記憶する
ことにより、音声認識の精度を維持しながらも、音声認
識処理の後段でマッチング処理を行うまで尤度を記憶し
ておく領域のメモリ占有量を可及的に削減して効率的な
メモリの使用を可能にする音声認識装置、音声認識をコ
ンピュータで実現するためのコンピュータプログラム、
このようなコンピュータプログラムが記録されている記
録媒体の提供を目的とする。
【０００８】
【課題を解決するための手段】第１発明の音声認識装置
は、認識対象の音声信号を、所定期間を１フレームとす
るフレーム毎に音響分析して該音声信号の特徴量を算出
する手段と、各フレームの音響分析結果の特徴量に対す
る、Ａ個のモデルに含まれるＣ個の状態又はアークのそ
れぞれの特徴量の尤度を算出する手段と、各フレームの
Ｃ個の尤度のうち、尤度が相対的に高い上位Ｂ個（ここ
でＣ＞Ｂ）の尤度を記憶し、又各フレームの第（Ｂ＋
ｎ）位（ここでｎは自然数）の尤度を、該各フレームの
第（Ｂ＋１）位以下の順位に共通の尤度として記憶する
手段と、記憶した尤度に基づいて認識対象の音声を認識
する手段とを備えたことを特徴とする。
は、認識対象の音声信号を、所定期間を１フレームとす
るフレーム毎に音響分析して該音声信号の特徴量を算出
する手段と、各フレームの音響分析結果の特徴量に対す
る、Ａ個のモデルに含まれるＣ個の状態又はアークのそ
れぞれの特徴量の尤度を算出する手段と、各フレームの
Ｃ個の尤度のうち、尤度が相対的に高い上位Ｂ個（ここ
でＣ＞Ｂ）の尤度を記憶し、又各フレームの第（Ｂ＋
ｎ）位（ここでｎは自然数）の尤度を、該各フレームの
第（Ｂ＋１）位以下の順位に共通の尤度として記憶する
手段と、記憶した尤度に基づいて認識対象の音声を認識
する手段とを備えたことを特徴とする。
【０００９】
【００１０】第２発明の音声認識装置は、認識対象の音
声信号を、所定期間を１フレームとするフレーム毎に音
響分析して該音声信号の特徴量を算出する手段と、各フ
レームの音響分析結果の特徴量に対する、Ａ個のモデル
に含まれるＣ個の状態又はアークのそれぞれの特徴量の
尤度を算出する手段と、各フレームのＣ個の尤度のう
ち、尤度が相対的に高い上位Ｂ個（ここでＣ＞Ｂ）の尤
度を記憶し、又各フレームの（Ｂ＋ｎ）個（ここでｎは
自然数）の尤度の平均値を、該各フレームの第（Ｂ＋
１）位以下の順位に共通の尤度として記憶する手段と、
記憶した尤度に基づいて認識対象の音声を認識する手段
とを備えたことを特徴とする。
声信号を、所定期間を１フレームとするフレーム毎に音
響分析して該音声信号の特徴量を算出する手段と、各フ
レームの音響分析結果の特徴量に対する、Ａ個のモデル
に含まれるＣ個の状態又はアークのそれぞれの特徴量の
尤度を算出する手段と、各フレームのＣ個の尤度のう
ち、尤度が相対的に高い上位Ｂ個（ここでＣ＞Ｂ）の尤
度を記憶し、又各フレームの（Ｂ＋ｎ）個（ここでｎは
自然数）の尤度の平均値を、該各フレームの第（Ｂ＋
１）位以下の順位に共通の尤度として記憶する手段と、
記憶した尤度に基づいて認識対象の音声を認識する手段
とを備えたことを特徴とする。
【００１１】第３発明のコンピュータプログラムは、コ
ンピュータを、認識対象の音声信号を、所定期間を１フ
レームとするフレーム毎に音響分析して該音声信号の特
徴量を算出する手段、各フレームの音響分析結果の特徴
量に対する、Ａ個のモデルに含まれるＣ個の状態又はア
ークのそれぞれの特徴量の尤度を算出する手段、各フレ
ームのＣ個の尤度のうち、尤度が相対的に高い上位Ｂ個
（ここでＣ＞Ｂ）の尤度を記憶し、又各フレームの第
（Ｂ＋ｎ）位（ここでｎは自然数）の尤度を、該各フレ
ームの第（Ｂ＋１）位以下の順位に共通の尤度として記
憶する手段、及び記憶した尤度に基づいて認識対象の音
声を認識する手段として機能させることを特徴とする。
ンピュータを、認識対象の音声信号を、所定期間を１フ
レームとするフレーム毎に音響分析して該音声信号の特
徴量を算出する手段、各フレームの音響分析結果の特徴
量に対する、Ａ個のモデルに含まれるＣ個の状態又はア
ークのそれぞれの特徴量の尤度を算出する手段、各フレ
ームのＣ個の尤度のうち、尤度が相対的に高い上位Ｂ個
（ここでＣ＞Ｂ）の尤度を記憶し、又各フレームの第
（Ｂ＋ｎ）位（ここでｎは自然数）の尤度を、該各フレ
ームの第（Ｂ＋１）位以下の順位に共通の尤度として記
憶する手段、及び記憶した尤度に基づいて認識対象の音
声を認識する手段として機能させることを特徴とする。
【００１２】
【００１３】第４の発明のコンピュータプログラムは、
コンピュータを、認識対象の音声信号を、所定期間を１
フレームとするフレーム毎に音響分析して該音声信号の
特徴量を算出する手段、各フレームの音響分析結果の特
徴量に対する、Ａ個のモデルに含まれるＣ個の状態又は
アークのそれぞれの特徴量の尤度を算出する手段、各フ
レームのＣ個の尤度のうち、尤度が相対的に高い上位Ｂ
個（ここでＣ＞Ｂ）の尤度を記憶し、又各フレームの
（Ｂ＋ｎ）個（ここでｎは自然数）の尤度の平均値を、
該各フレームの第（Ｂ＋１）位以下の順位に共通の尤度
として記憶する手段、及び記憶した尤度に基づいて認識
対象の音声を認識する手段として機能させることを特徴
とする。
コンピュータを、認識対象の音声信号を、所定期間を１
フレームとするフレーム毎に音響分析して該音声信号の
特徴量を算出する手段、各フレームの音響分析結果の特
徴量に対する、Ａ個のモデルに含まれるＣ個の状態又は
アークのそれぞれの特徴量の尤度を算出する手段、各フ
レームのＣ個の尤度のうち、尤度が相対的に高い上位Ｂ
個（ここでＣ＞Ｂ）の尤度を記憶し、又各フレームの
（Ｂ＋ｎ）個（ここでｎは自然数）の尤度の平均値を、
該各フレームの第（Ｂ＋１）位以下の順位に共通の尤度
として記憶する手段、及び記憶した尤度に基づいて認識
対象の音声を認識する手段として機能させることを特徴
とする。
【００１４】第５発明の記録媒体は、コンピュータに音
声認識させるコンピュータプログラムが記録されてお
り、コンピュータでの読み取りが可能な記録媒体におい
て、コンピュータに、認識対象の音声信号を、所定期間
を１フレームとするフレーム毎に音響分析して該音声信
号の特徴量を算出させるプログラムコード手段と、コン
ピュータに、各フレームの音響分析結果の特徴量に対す
る、Ａ個のモデルに含まれるＣ個の状態又はアークのそ
れぞれの特徴量の尤度を算出させるプログラムコード手
段と、コンピュータに、各フレームのＣ個の尤度のう
ち、尤度が相対的に高い上位Ｂ個（ここでＣ＞Ｂ）の尤
度を記憶させ、又各フレームの第（Ｂ＋ｎ）位（ここで
ｎは自然数）の尤度を、該各フレームの第（Ｂ＋１）位
以下の順位に共通の尤度として記憶させるプログラムコ
ード手段と、コンピュータに、記憶した尤度に基づいて
認識対象の音声を認識させるプログラムコード手段とを
含むコンピュータプログラムが記録されていることを特
徴とする。第６発明の記録媒体は、コンピュータに音声
認識させるコンピュータプログラムが記録されており、
コンピュータでの読み取りが可能な記録媒体において、
コンピュータに、認識対象の音声信号を、所定期間を１
フレームとするフレーム毎に音響分析して該音声信号の
特徴量を算出させるプログラムコード手段と、コンピュ
ータに、各フレームの音響分析結果の特徴量に対する、
Ａ個のモデルに含まれるＣ個の状態又はアークのそれぞ
れの特徴量の尤度を算出させるプログラムコード手段
と、コンピュータに、各フレームのＣ個の尤度のうち、
尤度が相対的に高い上位Ｂ個（ここでＣ＞Ｂ）の尤度を
記憶させ、又各フレームの（Ｂ＋ｎ）個（ここでｎは自
然数）の尤度の平均値を、該各フレームの第（Ｂ＋１）
位以下の順位に共通の尤度として記憶させるプログラム
コード手段と、コンピュータに、記憶した尤度に基づい
て認識対象の音声を認識させるプログラムコード手段と
を含むコンピュータプログラムが記録されていることを
特徴とする。
声認識させるコンピュータプログラムが記録されてお
り、コンピュータでの読み取りが可能な記録媒体におい
て、コンピュータに、認識対象の音声信号を、所定期間
を１フレームとするフレーム毎に音響分析して該音声信
号の特徴量を算出させるプログラムコード手段と、コン
ピュータに、各フレームの音響分析結果の特徴量に対す
る、Ａ個のモデルに含まれるＣ個の状態又はアークのそ
れぞれの特徴量の尤度を算出させるプログラムコード手
段と、コンピュータに、各フレームのＣ個の尤度のう
ち、尤度が相対的に高い上位Ｂ個（ここでＣ＞Ｂ）の尤
度を記憶させ、又各フレームの第（Ｂ＋ｎ）位（ここで
ｎは自然数）の尤度を、該各フレームの第（Ｂ＋１）位
以下の順位に共通の尤度として記憶させるプログラムコ
ード手段と、コンピュータに、記憶した尤度に基づいて
認識対象の音声を認識させるプログラムコード手段とを
含むコンピュータプログラムが記録されていることを特
徴とする。第６発明の記録媒体は、コンピュータに音声
認識させるコンピュータプログラムが記録されており、
コンピュータでの読み取りが可能な記録媒体において、
コンピュータに、認識対象の音声信号を、所定期間を１
フレームとするフレーム毎に音響分析して該音声信号の
特徴量を算出させるプログラムコード手段と、コンピュ
ータに、各フレームの音響分析結果の特徴量に対する、
Ａ個のモデルに含まれるＣ個の状態又はアークのそれぞ
れの特徴量の尤度を算出させるプログラムコード手段
と、コンピュータに、各フレームのＣ個の尤度のうち、
尤度が相対的に高い上位Ｂ個（ここでＣ＞Ｂ）の尤度を
記憶させ、又各フレームの（Ｂ＋ｎ）個（ここでｎは自
然数）の尤度の平均値を、該各フレームの第（Ｂ＋１）
位以下の順位に共通の尤度として記憶させるプログラム
コード手段と、コンピュータに、記憶した尤度に基づい
て認識対象の音声を認識させるプログラムコード手段と
を含むコンピュータプログラムが記録されていることを
特徴とする。
【００１５】本発明では、認識対象の音声信号を、所定
期間を１フレームとするフレーム毎に音響分析して音声
信号の特徴量を算出し、各フレームの音響分析結果の特
徴量に対する、Ａ個のモデルに含まれるＣ個の状態又は
アークのそれぞれの特徴量の尤度を算出し、各フレーム
の音響分析結果の特徴量に対する、Ｃ個の尤度を全部記
憶するのではなく、尤度が相対的に高い上位Ｂ個の尤度
と、特に不特定話者の音声を認識する場合にはゼロと設
定するより何らかの値が設定されている方が認識精度を
向上させることが実験結果から明らかであることから、
各フレームの第Ｂ位の尤度より低い値の尤度を、Ｂ位よ
り下の全ての状態に共通の尤度として記憶する。
期間を１フレームとするフレーム毎に音響分析して音声
信号の特徴量を算出し、各フレームの音響分析結果の特
徴量に対する、Ａ個のモデルに含まれるＣ個の状態又は
アークのそれぞれの特徴量の尤度を算出し、各フレーム
の音響分析結果の特徴量に対する、Ｃ個の尤度を全部記
憶するのではなく、尤度が相対的に高い上位Ｂ個の尤度
と、特に不特定話者の音声を認識する場合にはゼロと設
定するより何らかの値が設定されている方が認識精度を
向上させることが実験結果から明らかであることから、
各フレームの第Ｂ位の尤度より低い値の尤度を、Ｂ位よ
り下の全ての状態に共通の尤度として記憶する。
【００１６】従って、音声認識の精度を維持しながら
も、音声認識処理の後段でマッチング処理を行うまで尤
度を記憶しておく領域のメモリ占有量を可及的に削減し
て効率的なメモリの使用を可能にする。
も、音声認識処理の後段でマッチング処理を行うまで尤
度を記憶しておく領域のメモリ占有量を可及的に削減し
て効率的なメモリの使用を可能にする。
【００１７】また本発明では、前述の各フレームの第Ｂ
位の尤度より低い値の尤度として、（Ｂ＋ｎ）位の尤
度、又は（Ｂ＋ｎ）個の尤度の平均値を共通の尤度とし
て記憶する。
位の尤度より低い値の尤度として、（Ｂ＋ｎ）位の尤
度、又は（Ｂ＋ｎ）個の尤度の平均値を共通の尤度とし
て記憶する。
【００１８】従って、上位Ｂ個の尤度より必ず低い尤度
が記憶される。
が記憶される。
【００１９】
【発明の実施の形態】図１は本発明の音声認識装置のブ
ロック図である。音声分析部10は、入力された認識対象
の音声信号の波形に対して、例えば20〜30msといった短
い区間（フレーム）毎にフレーム同期（リアルタイム）
で音響分析を行って十数次元の特徴ベクトルを求める。
ロック図である。音声分析部10は、入力された認識対象
の音声信号の波形に対して、例えば20〜30msといった短
い区間（フレーム）毎にフレーム同期（リアルタイム）
で音響分析を行って十数次元の特徴ベクトルを求める。
【００２０】尤度演算部20は、音声分析部10が求めた特
徴量に対する、HMM の各状態（図３参照）のフレーム対
数尤度を求め、求めた対数尤度が、例えば300 状態分あ
る場合でも、従来では300 状態全てに対する対数尤度を
記憶したが、全ての対数尤度ではなく、上位25個の対数
尤度と、音声認識の実験結果から高い認識精度が保証さ
れることが経験的に知られている順位、例えば第40位の
対数尤度（フロアリング値）との合計26個の尤度を尤度
テーブル100 内の対応するフレーム番号領域に記憶す
る。ここで、第40位の対数尤度は、尤度テーブル100 に
記憶されていない第26位以下の状態の共通の尤度とし
て、後段のマッチング処理において使用する。
徴量に対する、HMM の各状態（図３参照）のフレーム対
数尤度を求め、求めた対数尤度が、例えば300 状態分あ
る場合でも、従来では300 状態全てに対する対数尤度を
記憶したが、全ての対数尤度ではなく、上位25個の対数
尤度と、音声認識の実験結果から高い認識精度が保証さ
れることが経験的に知られている順位、例えば第40位の
対数尤度（フロアリング値）との合計26個の尤度を尤度
テーブル100 内の対応するフレーム番号領域に記憶す
る。ここで、第40位の対数尤度は、尤度テーブル100 に
記憶されていない第26位以下の状態の共通の尤度とし
て、後段のマッチング処理において使用する。
【００２１】なお、フロアリング値として、上述のよう
に実際に求めた第40位の対数尤度を記憶する代わりに、
第１位〜第40位までの尤度の平均値をフロアリング値と
して記憶してもよい。
に実際に求めた第40位の対数尤度を記憶する代わりに、
第１位〜第40位までの尤度の平均値をフロアリング値と
して記憶してもよい。
【００２２】また、フロアリング値として、上述のよう
に実際に求めた第40位の対数尤度を記憶する代わりに、
例えば第１位の対数尤度に所定の係数を乗じた値をフロ
アリング値として記憶してもよい。この場合、フロアリ
ング値は、尤度テーブル100に記憶している最下位（上
述の例では第25位）の対数尤度より絶対値が大きくなる
ように条件を設ける必要がある。
に実際に求めた第40位の対数尤度を記憶する代わりに、
例えば第１位の対数尤度に所定の係数を乗じた値をフロ
アリング値として記憶してもよい。この場合、フロアリ
ング値は、尤度テーブル100に記憶している最下位（上
述の例では第25位）の対数尤度より絶対値が大きくなる
ように条件を設ける必要がある。
【００２３】音声分析部10及び尤度演算部20は、以上の
処理を音声信号の入力波形の全てのフレーム（例えば最
大128 フレーム）に対して行う。
処理を音声信号の入力波形の全てのフレーム（例えば最
大128 フレーム）に対して行う。
【００２４】マッチング処理部30は、認識辞書200 を基
に作成した単語HMM と尤度テーブル100 に記憶されてい
る対数尤度との間でビタビ・デコーディングを行うこと
によりマッチング処理を実現する。図２は、本発明の音
声認識装置による、尤度テーブルを用いた、単語「あ
か」のマッチング処理の概念図である。
に作成した単語HMM と尤度テーブル100 に記憶されてい
る対数尤度との間でビタビ・デコーディングを行うこと
によりマッチング処理を実現する。図２は、本発明の音
声認識装置による、尤度テーブルを用いた、単語「あ
か」のマッチング処理の概念図である。
【００２５】次に、本発明の音声認識装置による音声分
析及び尤度演算の手順の一例を、数式を導入して具体的
に説明する。
析及び尤度演算の手順の一例を、数式を導入して具体的
に説明する。
【００２６】
【数１】
【００２７】確率密度関数がガウス分布として与えら
れ、出力成分が互いに独立である場合、
れ、出力成分が互いに独立である場合、
【００２８】
【数２】
【００２９】以上のような音声認識のコンピュータプロ
グラムはコンピュータにプレインストールして提供する
ことも、またCD-ROM、MO等の可搬型記録媒体で提供する
ことも可能である。さらに回線経由で提供することも可
能である。
グラムはコンピュータにプレインストールして提供する
ことも、またCD-ROM、MO等の可搬型記録媒体で提供する
ことも可能である。さらに回線経由で提供することも可
能である。
【００３０】
【発明の効果】以上のように、本発明では、各フレーム
の音響分析結果の特徴量に対する、各状態の尤度を全部
記憶するのではなく、尤度が相対的に高い上位Ｂ個の尤
度と、特に不特定話者の音声を認識する場合にはゼロと
設定するより何らかの値が設定されている方が認識精度
を向上させることが実験結果から明らかであることか
ら、Ｂ位より下の全ての状態に共通の尤度として、例え
ば（Ｂ＋ｎ）位の尤度、又は（Ｂ＋ｎ）個の尤度の平均
値とだけを記憶するので、音声認識の精度を維持しなが
らも、音声認識処理の後段でマッチング処理を行うまで
尤度を記憶しておく領域のメモリ占有量を可及的に削減
して効率的なメモリの使用を可能にするという優れた効
果を奏する。
の音響分析結果の特徴量に対する、各状態の尤度を全部
記憶するのではなく、尤度が相対的に高い上位Ｂ個の尤
度と、特に不特定話者の音声を認識する場合にはゼロと
設定するより何らかの値が設定されている方が認識精度
を向上させることが実験結果から明らかであることか
ら、Ｂ位より下の全ての状態に共通の尤度として、例え
ば（Ｂ＋ｎ）位の尤度、又は（Ｂ＋ｎ）個の尤度の平均
値とだけを記憶するので、音声認識の精度を維持しなが
らも、音声認識処理の後段でマッチング処理を行うまで
尤度を記憶しておく領域のメモリ占有量を可及的に削減
して効率的なメモリの使用を可能にするという優れた効
果を奏する。
【図１】本発明の音声認識装置のブロック図である。
【図２】本発明の音声認識装置による、尤度テーブルを
用いた、単語「あか」のマッチング処理の概念図であ
る。
用いた、単語「あか」のマッチング処理の概念図であ
る。
【図３】１つの単語モデルが１音節を表現する場合の単
語モデル（単語HMM ）の一例を示す図である。
語モデル（単語HMM ）の一例を示す図である。
【図４】単語モデルを用いて音声認識処理を２段階に分
けて行う場合の手順の概略を示す概念図である。
けて行う場合の手順の概略を示す概念図である。
【図５】従来の音声認識における尤度テーブルを用い
た、単語「あか」のマッチング処理の概念図である。
た、単語「あか」のマッチング処理の概念図である。
10 音声分析部
20 尤度演算部
30 マッチング処理部
100 尤度テーブル
200 認識辞書
─────────────────────────────────────────────────────
フロントページの続き
(58)調査した分野(Int.Cl.7，ＤＢ名)
G10L 15/00 - 15/28
Claims (6)
- 【請求項１】 認識対象の音声信号を、所定期間を１フ
レームとするフレーム毎に音響分析して該音声信号の特
徴量を算出する手段と、 各フレームの音響分析結果の特徴量に対する、Ａ個のモ
デルに含まれるＣ個の状態又はアークのそれぞれの特徴
量の尤度を算出する手段と、 各フレームのＣ個の尤度のうち、尤度が相対的に高い上
位Ｂ個（ここでＣ＞Ｂ）の尤度を記憶し、又各フレーム
の第（Ｂ＋ｎ）位（ここでｎは自然数）の尤度を、該各
フレームの第（Ｂ＋１）位以下の順位に共通の尤度とし
て記憶する手段と、 記憶した尤度に基づいて認識対象の音声を認識する手段
とを備えたことを特徴とする音声認識装置。 - 【請求項２】 認識対象の音声信号を、所定期間を１フ
レームとするフレーム毎に音響分析して該音声信号の特
徴量を算出する手段と、 各フレームの音響分析結果の特徴量に対する、Ａ個のモ
デルに含まれるＣ個の状態又はアークのそれぞれの特徴
量の尤度を算出する手段と、 各フレームのＣ個の尤度のうち、尤度が相対的に高い上
位Ｂ個（ここでＣ＞Ｂ）の尤度を記憶し、又各フレーム
の（Ｂ＋ｎ）個（ここでｎは自然数）の尤度の平均値
を、該各フレームの第（Ｂ＋１）位以下の順位に共通の
尤度として記憶する手段と、 記憶した尤度に基づいて認識対象の音声を認識する手段
とを備えたことを特徴とする音声認識装置。 - 【請求項３】 コンピュータを、 認識対象の音声信号を、所定期間を１フレームとするフ
レーム毎に音響分析して該音声信号の特徴量を算出する
手段、 各フレームの音響分析結果の特徴量に対する、Ａ個のモ
デルに含まれるＣ個の状態又はアークのそれぞれの特徴
量の尤度を算出する手段、 各フレームのＣ個の尤度のうち、尤度が相対的に高い上
位Ｂ個（ここでＣ＞Ｂ）の尤度を記憶し、又各フレーム
の第（Ｂ＋ｎ）位（ここでｎは自然数）の尤度を、該各
フレームの第（Ｂ＋１）位以下の順位に共通の尤度とし
て記憶する手段、及び 記憶した尤度に基づいて認識対象の音声を認識する手段
として機能させるためのコンピュータプログラム。 - 【請求項４】 コンピュータを、 認識対象の音声信号を、所定期間を１フレームとするフ
レーム毎に音響分析して該音声信号の特徴量を算出する
手段、 各フレームの音響分析結果の特徴量に対する、Ａ個のモ
デルに含まれるＣ個の状態又はアークのそれぞれの特徴
量の尤度を算出する手段、 各フレームのＣ個の尤度のうち、尤度が相対的に高い上
位Ｂ個（ここでＣ＞Ｂ）の尤度を記憶し、又各フレーム
の（Ｂ＋ｎ）個（ここでｎは自然数）の尤度の平均値
を、該各フレームの第（Ｂ＋１）位以下の順位に共通の
尤度として記憶する手段、及び 記憶した尤度に基づいて認識対象の音声を認識する手段
として機能させるためのコンピュータプログラム。 - 【請求項５】 コンピュータに音声認識させるコンピュ
ータプログラムが記録されており、コンピュータでの読
み取りが可能な記録媒体において、 コンピュータに、認識対象の音声信号を、所定期間を１
フレームとするフレーム毎に音響分析して該音声信号の
特徴量を算出させるプログラムコード手段と、 コンピュータに、各フレームの音響分析結果の特徴量に
対する、Ａ個のモデルに含まれるＣ個の状態又はアーク
のそれぞれの特徴量の尤度を算出させるプログラムコー
ド手段と、 コンピュータに、各フレームのＣ個の尤度のうち、尤度
が相対的に高い上位Ｂ個（ここでＣ＞Ｂ）の尤度を記憶
させ、又各フレームの第（Ｂ＋ｎ）位（ここでｎは自然
数）の尤度を、該各フレームの第（Ｂ＋１）位以下の順
位に共通の尤度として記憶させるプログラムコード手段
と、 コンピュータに、記憶した尤度に基づいて認識対象の音
声を認識させるプログラムコード手段とを含むコンピュ
ータプログラムが記録されていることを特徴とする記録
媒体。 - 【請求項６】 コンピュータに音声認識させるコンピュ
ータプログラムが記録されており、コンピュータでの読
み取りが可能な記録媒体において、 コンピュータに、認識対象の音声信号を、所定期間を１
フレームとするフレーム毎に音響分析して該音声信号の
特徴量を算出させるプログラムコード手段と、 コンピュータに、各フレームの音響分析結果の特徴量に
対する、Ａ個のモデルに含まれるＣ個の状態又はアーク
のそれぞれの特徴量の尤度を算出させるプログラムコー
ド手段と、 コンピュータに、各フレームのＣ個の尤度のうち、尤度
が相対的に高い上位Ｂ個（ここでＣ＞Ｂ）の尤度を記憶
させ、又各フレームの（Ｂ＋ｎ）個（ここでｎは自然
数）の尤度の平均値を、該各フレームの第（Ｂ＋１）位
以下の順位に共通の尤度として記憶させるプログラムコ
ード手段と、 コンピュータに、記憶した尤度に基づいて認識対象の音
声を認識させるプログラムコード手段とを含むコンピュ
ータプログラムが記録されていることを特徴とする記録
媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001101806A JP3520054B2 (ja) | 2001-03-30 | 2001-03-30 | 音声認識装置、コンピュータプログラム及び記録媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001101806A JP3520054B2 (ja) | 2001-03-30 | 2001-03-30 | 音声認識装置、コンピュータプログラム及び記録媒体 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2002297183A JP2002297183A (ja) | 2002-10-11 |
| JP3520054B2 true JP3520054B2 (ja) | 2004-04-19 |
| JP2002297183A5 JP2002297183A5 (ja) | 2004-09-30 |
Family
ID=18955074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001101806A Expired - Fee Related JP3520054B2 (ja) | 2001-03-30 | 2001-03-30 | 音声認識装置、コンピュータプログラム及び記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3520054B2 (ja) |
-
2001
- 2001-03-30 JP JP2001101806A patent/JP3520054B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2002297183A (ja) | 2002-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6055498A (en) | Method and apparatus for automatic text-independent grading of pronunciation for language instruction | |
| US8818813B2 (en) | Methods and system for grammar fitness evaluation as speech recognition error predictor | |
| US20070067171A1 (en) | Updating hidden conditional random field model parameters after processing individual training samples | |
| Kuo et al. | Maximum entropy direct models for speech recognition | |
| JP3459712B2 (ja) | 音声認識方法及び装置及びコンピュータ制御装置 | |
| JP5007401B2 (ja) | 発音評定装置、およびプログラム | |
| JP3061114B2 (ja) | 音声認識装置 | |
| US20030187651A1 (en) | Voice synthesis system combining recorded voice with synthesized voice | |
| EP1010170B1 (en) | Method and system for automatic text-independent grading of pronunciation for language instruction | |
| JP2006293033A (ja) | 混合分布ｈｍｍの状態の出力確率計算方法および装置 | |
| JP3520054B2 (ja) | 音声認識装置、コンピュータプログラム及び記録媒体 | |
| Liu et al. | A novel feature extraction strategy for multi-stream robust emotion identification | |
| US20050131694A1 (en) | Acoustic model creating method, acoustic model creating apparatus, acoustic model creating program, and speech recognition apparatus | |
| CN111785299B (zh) | 一种语音测评方法、装置、设备及计算机存储介质 | |
| JP2001312293A (ja) | 音声認識方法およびその装置、並びにコンピュータ読み取り可能な記憶媒体 | |
| JP3265864B2 (ja) | 音声認識装置 | |
| JP3440840B2 (ja) | 音声認識方法及びその装置 | |
| JP3456444B2 (ja) | 音声判定装置及び方法並びに記録媒体 | |
| JPH10254477A (ja) | 音素境界検出装置及び音声認識装置 | |
| JP7028203B2 (ja) | 音声認識装置、音声認識方法、プログラム | |
| JP3009640B2 (ja) | 音響モデル生成装置及び音声認識装置 | |
| JP3513284B2 (ja) | 音声認識方法およびその装置 | |
| JP3866171B2 (ja) | 音素決定方法、その装置及びプログラム | |
| JP4801107B2 (ja) | 音声認識装置、方法、プログラム及びその記録媒体 | |
| KR20030035286A (ko) | 소용량 음성인식 시스템 및 그 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040120 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040130 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090206 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |